类目筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
深度筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
标签记录（食品学者）
清除全部筛选
标签记录（计算机学者）
共 712 条结果
-
使用脂肪酸谱结合化学计量学鉴别海水和淡水养殖的南美白对虾
查看原文
2025
Food Control
中科院一区JCR一区
Cui Han, Yujing Xiao, Xingru Guo, Haopeng Zhang, Jilong Ren & Jiaxin Yang
食品标签
甲壳类 其他品质相关性质 光谱/色谱/质谱等分析方法 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 组学数据本研究结合南美白对虾肌肉和肝胰腺的脂肪酸谱、K近邻算法和随机森林算法，以区分淡水和海水养殖的南美白对虾。两个组织的脂肪酸谱在淡水和海水养殖的对虾中存在差异。此外，分别通过正交偏最小二乘判别分析筛选出肌肉和肝胰腺中的6个和7个关键变量，用于建立区分养殖环境的模型。这些关键变量大多与盐度相关。基于两个组织的脂肪酸谱，K近邻和随机森林模型的初始分类准确率和交叉验证准确率均高于93%，且基于肌肉脂肪酸谱的模型预测准确率高于基于肝胰腺的模型。因此，肌肉的脂肪酸谱在鉴别虾的养殖环境方面比肝胰腺更有效。肌肉组织的脂肪酸谱分析是区分淡水和海水养殖南美白对虾的一种有前景的方法。
-
机器学习引导的建模方法，探讨alpha生育酚和菌氨酸在散装油氧化中协同动力学
查看原文
2025
Food Chemistry
中科院一区JCR一区
Carlos Parra-Escudero, Ipek Bayram, Eric A. Decker, Shyamyanshikumar Singh, Carlos M. Corvalan & Jiakai Lu
食品标签
酸度调节剂/防腐剂/抗氧化剂 脂质与脂肪酸计算机标签
机器学习/统计学习 梯度提升决策树 其他深度学习结构 定量预测/回归分析食品的保质期与品质在很大程度上依赖于抗氧化剂，这类物质可保护脂质免受自由基的降解作用。α-生育酚与杨梅素是两种强效抗氧化剂，二者可协同增强散装油脂体系中氧化酸败的抑制效果。研究二者的降解动力学，对于深入明晰其作用机理、建立食品保质期到期前的预测方法具有重要意义。本文构建了一种通用数学模型，用以描述杨梅素存在条件下α-生育酚的降解动力学规律。研究采用基于神经微分方程的机器学习方法指导直接微分法，发现在不同浓度配比下，与杨梅素共存的α-生育酚存在两个截然不同的降解阶段。基于该研究结果，可构建混合威布尔模型，精准表征其降解过程。本研究深化了对抗氧化剂间相互作用的认知，为食品体系稳定性预测提供了可靠方法，也为天然抗氧化剂在食品保鲜领域的优化应用提供了重要理论参考。
-
基于微生物挥发性化合物的食品腐败智能检测：技术、挑战与未来展望
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Khaled M. A. Ramadan, Eslam S. A. Bendary, Hala B. Khalil, Salim A. Ali, Abdelrahman R. Ahmed & Mohamed A. A. Mahmoud
食品标签
货架期预测与品质劣变动力学 微生物安全 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他统计建模方法 其他特殊成分计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析 过程控制与实时优化 设计/生成与推荐 文本/知识库/法规数据 多模态/融合数据微生物挥发性有机化合物（MVOCs）是食品腐败和微生物污染的早期非侵入性指标。本文批判性评估了当前MVOC检测方法，包括气相色谱-质谱（GC-MS）、离子迁移谱、化学电阻传感器、生物传感器和比色指示剂。从灵敏度、选择性、基质兼容性和部署潜力等方面对这些技术进行了比较。特别关注实际食品系统中信号漂移、传感器特异性和可重复性方面的挑战。MXene复合材料和分子印迹聚合物等新兴材料，以及使用酶、气味结合蛋白或活细胞的生物传感器平台，提供了更高的选择性和操作稳定性。与物联网平台和机器学习的集成增强了预测能力，实现实时质量监控和动态保质期估计。定量构效关系模型和结构信息工具（如OWSum）进一步完善了分析物优先级和传感器设计。跨商品比较揭示了通用和食品特异性腐败挥发物，支持混合传感器阵列的开发。还讨论了监管考虑因素和最近的国际举措，强调了标准化性能标准的必要性。总体而言，本综述概述了向自适应智能MVOC传感系统的转变，该系统将分析严谨性与数据驱动设计相结合，以支持食品安全、质量保证和减少浪费。
-
微型光谱仪与人工智能驱动探针在食品工业自动化中的应用
查看原文
2025
Food Research International
中科院一区JCR一区
Rani Puthukulangara Ramachandran, Alain Clément & Chyngyz Erkinbaev
食品标签
分选/分级/检验设备 过程控制与数字化 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析 过程控制与实时优化 红外/拉曼光谱数据光谱学是一种快速发展的分析技术，越来越多地被用作食品工业中的无损快速质量控制工具。基于光谱分析和建立的多变量预测模型，该技术适用于各种食品的在线和实时监测。通过集成到线内、线上或旁线系统中，光谱学能够监测关键质量属性、营养物、生物活性物质及特定分析物分子，从而提升产品的一致性和安全性。光谱仪器技术的最新发展，结合机器学习算法，进一步增强了其作为食品生产系统自动化和优化变革技术的潜力。尽管在此类应用中显示出巨大潜力，但将光谱技术成功整合到食品加工设施中仍面临挑战。这可以通过系统微型化和人工智能建模来实现。本综述总结并介绍了微型光谱学的过去和当前知识。重点概述了在线微型光谱学、设计与架构、在食品工业中的应用（包括过程监测与控制），以及诸如成本、模型可转移性和仪器差异等优势和局限性。
-
利用人工智能增强食品安全与保藏中抗菌生物活性化合物的筛选
查看原文
2025
Trends in Food Science and Technology
中科院一区JCR一区
Mengyue Zhou, Juliana Coelho Rodrigues Lima, Hefei Zhao, Jingnan Zhang, Changmou Xu, Célio Dias Santos-Júnior & Haizhou Wu
食品标签
保藏与贮藏 食品安全与风险评估 微生物安全 植物化学/生物活性成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 设计/生成与推荐 组学数据背景：全球食品工业中的微生物污染，由日益增长的食源性疾病和食品腐败驱动，使抗菌生物活性化合物成为焦点。传统的筛选方法耗时、费力且成本高昂。人工智能（AI）和机器学习（ML）算法能够高效筛选高性能候选物，成为发现抗菌剂的变革性工具。
范围与方法：我们评估了筛选抗菌剂的传统方法，并根据生物活性化合物的扩散途径对其进行了分类。本文还探讨了人工智能和机器学习技术在食品领域的整合，重点介绍了算法的进步、数据库的改进以及计算资源的扩展。此外，本综述深入探讨了人工智能预测的抗菌化合物实例，并讨论了它们在食品系统中作为有前景应用的验证和测试过程。
主要发现与结论：传统方法存在局限性，包括需要进行大量测试，而人工智能驱动的筛选技术能够快速高效地识别大量具有潜在生物活性的候选化合物。尽管在数据库的质量、数量、标注和网络可访问性方面面临挑战，基于人工智能和机器学习的技术在筛选用于食品应用的抗菌肽方面具有潜力。该领域的一个未来方向是扩展抗菌生物活性化合物数据库，以涵盖更广泛的来源，并纳入高质量的注释。通过整合多组学数据、优化商业抗菌剂的结构以及开发决策支持系统，最终将实现优化抗菌剂使用的个性化推荐。
